Heuresis 基准发布：GPT-6.1 Sol 与 Claude Opus 5.5 智能体因果发现超算法
原文标题：Benchmarking and Enhancing Agentic Causal Discovery
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Heuresis 匿名模拟数据集基准，用于检验 LLM 智能体能否在因果发现中发现问题并主动补测修正。测试中 GPT-6.1 Sol 在全部六类数据集上超过最佳算法，最难一类邻接 F1 领先 14%，Claude Opus 5.5 领先 7.4%，两智能体恢复的真边有三分之一未出现在任何算法输出中。
- 问题
- 现有基准难以判断 LLM 智能体在因果发现中是否发现问题并主动补测修正。
- 方法
- 构建 Heuresis 匿名模拟数据集基准，分离换更好算法与细看数据带来的增益，并追踪智能体改动的每条边。
- 结果
- GPT-6.1 Sol 在全部六类数据集超过最佳算法，最难类邻接 F1 领先 14%；Claude Opus 5.5 领先 7.4%；两智能体恢复的真边三分之一未出现在任何算法输出中。
- 影响
- 为智能体因果发现提供可归因评测，说明智能体可超越固定算法流水线，值得投入数据主动探测能力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Heuresis 匿名数据集基准显示 GPT-6.1 Sol 在全部六类因果发现任务上超过最佳算法，最难类邻接 F1 领先 14%。
- •基准去除变量语义名，机制从线性高斯到重尾分布
- •每类数据集都留有算法、路由器和两个因果发现基础模型都补不上的差距
- •Claude Opus 5.5 在最难一类领先最佳算法 7.4%
- •两个最难类上，两智能体恢复的真边有三分之一未出现在任何算法输出中
- •同时测试 Qwen 3.8 Flash 作为第三个模型
为什么重要：此前基准因变量名泄露与数据干净而高估 LLM 能力；该基准把「选更好算法」与「真正看数据」的收益分开，为智能体做因果发现提供了更严格的衡量口径。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。